論文の概要: FLICU: A Federated Learning Workflow for Intensive Care Unit Mortality
Prediction
- arxiv url: http://arxiv.org/abs/2205.15104v1
- Date: Mon, 30 May 2022 13:45:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-31 21:39:39.809259
- Title: FLICU: A Federated Learning Workflow for Intensive Care Unit Mortality
Prediction
- Title（参考訳）: FLICU:集中治療単位死亡率予測のためのフェデレーション学習ワークフロー
- Authors: Lena Mondrejevski, Ioanna Miliou, Annaclaudia Montanino, David Pitts,
Jaakko Hollm\'en, Panagiotis Papapetrou
- Abstract要約: 医療データは敏感で、厳格なプライバシー慣行を必要とし、典型的にはデータサイロに保存される。
フェデレーション学習は、データサイロ上で機械学習モデルをトレーニングすることで、これらの制限を対処することができる。
本研究はICU死亡予測のための連合学習ワークフローを提案する。
- 参考スコア（独自算出の注目度）: 4.16749898760461
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although Machine Learning (ML) can be seen as a promising tool to improve
clinical decision-making for supporting the improvement of medication plans,
clinical procedures, diagnoses, or medication prescriptions, it remains limited
by access to healthcare data. Healthcare data is sensitive, requiring strict
privacy practices, and typically stored in data silos, making traditional
machine learning challenging. Federated learning can counteract those
limitations by training machine learning models over data silos while keeping
the sensitive data localized. This study proposes a federated learning workflow
for ICU mortality prediction. Hereby, the applicability of federated learning
as an alternative to centralized machine learning and local machine learning is
investigated by introducing federated learning to the binary classification
problem of predicting ICU mortality. We extract multivariate time series data
from the MIMIC-III database (lab values and vital signs), and benchmark the
predictive performance of four deep sequential classifiers (FRNN, LSTM, GRU,
and 1DCNN) varying the patient history window lengths (8h, 16h, 24h, 48h) and
the number of FL clients (2, 4, 8). The experiments demonstrate that both
centralized machine learning and federated learning are comparable in terms of
AUPRC and F1-score. Furthermore, the federated approach shows superior
performance over local machine learning. Thus, the federated approach can be
seen as a valid and privacy-preserving alternative to centralized machine
learning for classifying ICU mortality when sharing sensitive patient data
between hospitals is not possible.
- Abstract（参考訳）: 機械学習(ml)は、医薬品計画、臨床手順、診断、処方薬の改善をサポートするための臨床意思決定を改善する有望なツールと見なされるが、医療データへのアクセスによって制限される。
医療データは敏感で、厳格なプライバシー慣行を必要とし、典型的にはデータサイロに格納されるため、従来の機械学習は困難である。
フェデレーション学習は、機密データをローカライズしながら、データサイロ上で機械学習モデルをトレーニングすることで、これらの制限に対処することができる。
本研究はICU死亡予測のための連合学習ワークフローを提案する。
本稿では,icuの死亡率を予測するバイナリ分類問題にフェデレーション学習を導入することにより,集中型機械学習とローカル機械学習に代わるフェデレーション学習の適用性について検討する。
我々はMIMIC-IIIデータベースから多変量時系列データを抽出し,患者履歴ウィンドウ長(8h,16h,24h,48h)とFLクライアント数(2,4,8h)の4つの深部シーケンシャル分類器(FRNN,LSTM,GRU,1DCNN)の予測性能をベンチマークした。
実験では、集中型機械学習とフェデレート学習の両方が、AUPRCとF1スコアの両面で同等であることを示した。
さらに、フェデレーションアプローチは、ローカル機械学習よりも優れたパフォーマンスを示す。
したがって、病院間でセンシティブな患者データを共有する場合、icu死亡率を分類するための集中型機械学習の有効かつプライバシー保全的な代替手段と見なすことができる。
関連論文リスト
- Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline
Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。
この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。
この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
論文 参考訳（メタデータ） (2023-12-31T16:01:48Z) - Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。
本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。
病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
論文 参考訳（メタデータ） (2023-12-11T21:53:40Z) - Early prediction of the risk of ICU mortality with Deep Federated
Learning [0.0]
我々は,集中治療室の死亡リスクを早期に予測するために,深層連携学習の能力を評価する。
患者の病歴ウィンドウが退院や死亡に近づくと,予測性能が高くなることを示す。
論文 参考訳（メタデータ） (2022-12-01T15:01:27Z) - Federated Learning in Multi-Center Critical Care Research: A Systematic
Case Study using the eICU Database [24.31499341763427]
データを交換することなく、異なるユニットでモデルを訓練する方法として、フェデレートラーニング(FL)が提案されている。
FLが利用可能なeICUデータセットに与える影響について検討し,各ICU滞在の生存率を予測する。
論文 参考訳（メタデータ） (2022-04-20T09:03:09Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳（メタデータ） (2022-03-24T02:09:41Z) - Federated Cycling (FedCy): Semi-supervised Federated Learning of
Surgical Phases [57.90226879210227]
FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。
外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
論文 参考訳（メタデータ） (2022-03-14T17:44:53Z) - 2021 BEETL Competition: Advancing Transfer Learning for Subject
Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。
第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。
タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文 参考訳（メタデータ） (2022-02-14T12:12:20Z) - A Machine Learning Early Warning System: Multicenter Validation in
Brazilian Hospitals [4.659599449441919]
臨床劣化の早期認識は、入院患者の死亡率と死亡率を減らすための主要なステップの1つである。
Intensive Care Unit, ICUと比較して, 病院病棟は注目度が低いため, プラットフォームがERHのストリームに接続されている場合, 危険な状況に対する意識が大幅に改善する可能性が示唆された。
機械学習の適用により、システムは患者のすべての履歴を考慮し、高いパフォーマンスの予測モデルを使用することで、インテリジェントな早期警告システムを実現することができる。
論文 参考訳（メタデータ） (2020-06-09T21:21:38Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳（メタデータ） (2020-05-03T02:36:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。